AI 加入 Scrum 团队，生产力翻倍？

Scrum.org 最近发表了一篇由其首席运营官 Eric Naiburg 撰写的文章，题为 “AI as a Scrum Team Member”。Naiburg 在这篇文章中探讨了如何将 AI 作为 Scrum 团队的一员，为 Scrum Master、产品负责人和开发人员带来生产力的提升，并挑战读者想象 AI 无缝融入团队的场景。Thoughtworks 的全球 AI 辅助软件开发负责人 Birgitta Böckeler 最近也发表了一篇题为 “Exploring Generative AI” 的文章，她在其中分享了在工程领域应用大型语言模型的实验性见解，这些模型有望为软件开发团队带来显著的效益提升。

Naiburg 将 AI 工具比作配对编程中的协作伙伴。他通过分析工具集成 LLM 的 AI 应用阐述了 AI 如何帮助减轻 Scrum 团队关键角色的认知负担。在讨论 Scrum Master 的角色时，他说 AI 可以作为一个助手，为团队促进、团队绩效和流程优化提供宝贵的建议。Naiburg 通过一个具体的例子展示了如何与 LLM 互动以提高团队会议的参与度：

AI 能够提供多样化的站会促进技巧。例如，当你面临 Scrum 团队成员在 Sprint 回顾环节参与度不高的问题时，你可以直接问 AI：“我遇到了一个问题，我的 Scrum 团队成员在 Sprint 回顾中参与不积极，你有什么建议吗？”

Naiburg 在文章中写道，AI 为开发人员提供了一个得力的团队助手，它能够协助分解和深入理解用户故事。此外，他还强调了利用 AI 来简化原型设计、测试、代码生成、代码评审以及测试数据综合等环节的好处。

Böckeler 在她的文章中主要专注于开发人员的角色，分享了她如何利用 LLM 来加快开源项目的采用过程，以及如何针对遗留软件项目交付用户故事。为了理解 AI 工具的能力和局限，她用 LLM 来处理开源项目 Bhamni 待办事项中的一个 Ticket。她详细描述了自己如何使用 LLM 来解析 Ticket 内容、探索代码库，并在有限的项目上下文中寻找线索。

Böckeler 使用的工具包括一个采用 RAG（检索增强生成）的 LLM，模型能够根据 Bhamni 维基的内容提供深入的见解。她向 LLM 提供了一个包含用户故事的提示词，并要求它“解释 Bhamni 和相关的医疗术语”。Böckeler 写道：

我提出了一个更广泛的问题：“请解释以下 Ticket 中的 Bhamni 术语和医疗术语：……”。LLM 提供了一个虽然有些冗长和重复但总体上有用的答案。它不仅将 Ticket 内容置于上下文中，还对其进行了再次解释。此外，它还提到了相关功能是通过“Bhamni HIP 插件模块”实现的，这为我们提供了相关代码位置的线索。

在六月的 InfoQ 博客节目中，TitanML 联合创始人兼首席执行官 Meryem Arik 表示将结合了 RAG 的 LLM 作为“研究助理”是“企业最为常见的应用案例”。Böckeler 没有明确说她所使用的 RAG 实现，只是将其描述为一个“Wiki-RAG-Bot”，不过 Arik 却深入谈论了采用一系列定制的开放模型解决方案所能带来的隐私保护和领域专业化的好处。她说：

实际上，如果你正在开发尖端的 RAG 应用，你可能会认为，对于所有事情来说，最好的模型都是 OpenAI 提供的。然而，实际上并非如此。虽然 OpenAI 提供的生成式模型可能是最先进的，但最好的嵌入模型、重排模型、表格解析器和图像解析器等，实际上都是开源的。

为了深入理解代码，Böckeler 将 JIRA Ticket 文本喂给两个用于生成和理解代码的工具——Bloop 和 Github Copilot。她请求这两个工具帮助她找到与这个功能相关的代码。两个模型都提供了一组相似的代码线索，她说这些线索“不是 100% 准确”，但“总体上是有用的”。在探索自动代码生成器的潜力时，Böckeler 尝试使用 Autogen 构建基于 LLM 的 AI 智能体来实现跨框架测试迁移。她解释说：

在这种情况下，智能体是一个利用大型语言模型的应用程序，它的功能不仅限于向用户展示模型的响应，还会根据 LLM 提供的信息自主执行操作。

Böckeler 表示，她的智能体“至少成功运行了一次”，但也“失败了很多次，甚至失败的次数超过了成功的次数。”InfoQ 最近报道了 Upwork 研究所 的一项有争议的研究，该研究基于样本得出的结论是 AI 工具实际上降低了生产力，有 39% 的受访者表示“他们花费在审查或管理 AI 生成内容上的时间更多了。”Naiburg 强调，重要的是要确保团队专注于创造价值，而不仅仅是关注 AI 工具的输出：

需要注意的是：使用这些工具可能会增加产出的“量”。例如，一些软件开发机器人生成了过多的代码，并且包含了不相关的代码。同样，当你让 AI 来完善用户故事、构建测试，甚至创建会议记录时，也可能遇到类似的情况。过多的信息量最终可能会抵消这些工具所提供的价值。

在回顾她与 Autogen 的实验时，Böckeler 提供了一个重要的提醒，即这项技术在“特定的问题领域”内仍然具有其价值。她说：

这些智能体在能够解决我们向它们提出的所有编码问题之前，还有很长的路要走。然而，我认为最重要的是要认识到智能体在哪些特定的问题领域能够为我们提供帮助，不要因为它们并非全能的通用问题解决能手而完全否定它们的价值。

查看原文链接：

https://www.infoq.com/news/2024/08/llm-agent-team-enablers/